استخراج مشخصۀ یک حسگر ضریب شکست مبتنی بر لکۀ خروجی فیبر نوری چند مد با ناحیۀ حساس باریک‌شده با استفاده از یادگیری عمیق

در این مقاله، مشخصات حسگری ضریب شکست مبتنی بر تصویر لکۀ خروجی تار نوری چند مد با استفاده از ساختار تار باریک‌شده همراه با یک روش نرم‌افزاری یادگیری عمیق استخراج داده شده است. این ساختار حسگری از یک تار نوری چند مد باریک‌شده متصل به دو تار نوری چند مد استاندارد تشکیل شده است. با وجود امواج میراشونده پیرامون بخش باریک‌شده، شرایط موجبری ساختار در بخش خروجی به ضریب شکست محیط، وابسته و از این رو، مدهای انتشاری و تصویر حاصل از تداخل آنها حساس به تغییرات محیط می‌شوند. بر این اساس، پردازش تصویر حاصل از تداخل مدهای انتشاری ساختار چند مدی و آنالیز کمی تغییرات آنها مبنای حسگری است. به‌منظور بهبود دقت سنجش، از الگوریتم‌های یادگیری عمیق و به‌طور مشخص از شبکه عصبی عمیق resnet در پردازش تصاویر لکه خروجی تار نوری استفاده شده است. با استفاده از این الگوریتم، مجموعه‌ای از تصاویر لکۀ خروجی تار با قرارگیری بخش تار باریک‌شده در 9 محلول سنجش مختلف در بازۀ ضریب شکستی 1.33 تا 1.368 برای یادگیری و سپس تعدادی از تصاویر ثبت‌شده برای سنجش تعریف شده‌اند و درنهایت، دقت تشخیص ضریب شکست محلول‌ها تا 95% به دست آمده است.

extracting the sensing characteristic of a multimode optical fiber speckle-gram refractive index sensor with tapered sensing area based on deep learning

in this paper, using a deep learning technique, the sensing characteristic of a refractive index (ri) sensor based on a multimode optical fiber speckle-gram has been extracted. the investigated sensor structure consists of a tapered optical fiber or microfiber (mf) induced on a standard multimode optical fiber (mmf). due to the presence of evanescent waves around the mf, the guiding status of the end mmf is dependent on the external ri around the taper. thereby, the propagating modes and resulting interference pattern or speckle-gram become sensitive to the changes in the taper environment. herein, by analyzing and quantifying the speckle-gram modulation, the ri changes around the taper are characterized. to extract the sensing characteristic and improve its measurement accuracy, deep learning algorithms and specifically the resnet deep neural network are used in the processing of the output speckle-grams. using this algorithm, while the tapered fiber is immersed in different refractive index solutions in the range of 1.33 to 1.368, a set of output speckle images is captured for learning and then a number of them are used for measurement, and finally the accuracy of detecting the refractive index of the solutions ri has been achieved up to 95%.